A fine-grained look at causal effects in causal spaces
因果空间中因果效应的细粒度分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确构造干预下的因果效应定义及处理效应度量，具有直接的因果推断理论依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
因果空间中因果效应的细粒度分析
- 研究问题
- 当像素或词元等原始变量缺少清晰语义时，如何在事件层面定义因果效应的存在、强度和性质？
- 方法与思路
- 作者在测度论因果空间框架内提出事件层面的二元定义和量化指标，研究其与干预测度下独立性的联系。
- 材料陈述的贡献
- 摘要称证明若干因果效应与独立性之间的关系，并说明常见处理效应度量可作为事件层面量化指标的特殊情形恢复。
- 阅读关注点
- 应核对因果空间公理、事件与干预的定义，区分不同二元定义，并检查恢复常见处理效应度量所需的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明如何从观测数据识别这些指标，不能据此判断实证可估计性。
原文摘要
The notion of causal effect is fundamental across many scientific disciplines. Traditionally, quantitative researchers have studied causal effects at the level of variables; for example, how a certain drug dose (W) causally affects a patient's blood pressure (Y). However, in many modern data domains, the raw variables-such as pixels in an image or tokens in a language model-do not have the semantic structure needed to formulate meaningful causal questions. In this paper, we offer a more fine-grained perspective by studying causal effects at the level of events, drawing inspiration from probability theory, where core notions such as independence are first given for events and sigma-algebras, before random variables enter the picture. Within the measure-theoretic framework of causal spaces, a recently introduced axiomatisation of causality, we first introduce several binary definitions that determine whether a causal effect is present, as well as proving some properties of them linking causal effect to (in)dependence under an intervention measure. Further, we provide quantifying measures that capture the strength and nature of causal effects on events, and show that we can recover the common measures of treatment effect as special cases.